原创 pandding實現‘replicate’操作

圖像中的padding操作一般是zeropadding,這次有作業要求實現replicate’,填補的像素拷貝與其最近的圖像邊界像素灰度。研究了一下,寫成代碼如下: # -*- coding: utf-8 -*- """ Created

原创 Lint Code 醜數

設計一個算法,找出只含素因子2,3,5 的第 n 小的數。 符合條件的數如:1, 2, 3, 4, 5, 6, 8, 9, 10, 12...   我們可以認爲 1 也是一個醜數。 您在真實的面試中是否遇到過這個題?  是 題目糾錯 樣例

原创 LintCode 統計數字

計算數字 k 在 0 到 n 中的出現的次數,k 可能是 0~9 的一個值。 樣例 樣例 1: 輸入: k = 1, n = 1 輸出: 1 解釋: 在 [0, 1] 中,我們發現 1 出現了 1 次 (1)。 樣例 2: 輸入:

原创 LintCode 尾部的零

設計一個算法,計算出n階乘中尾部零的個數 樣例 樣例 1: 輸入: 11 輸出: 2 樣例解釋: 11! = 39916800, 結尾的0有2個。 樣例 2: 輸入: 5 輸出: 1 樣例解釋: 5!

原创 利用深度學習進行點雲匹配(六)

本文承接上一篇:利用深度學習進行點雲匹配(五)。 之前的文章介紹了3D match如何進行點雲匹配,總結來說它使用了Siamese network的設計思想,在Point cloud,Mesh和Depth map三種數據中找出匹配的對應點

原创 使用深度學習進行點雲匹配(四)

承接上一篇文章《使用深度學習進行點雲匹配(三)》。因爲之前提到過因爲硬件原因我自己無法去訓練3Dmatch描述子,因此接下來我的任務是嘗試應用這個模型。我更換了原來的點雲數據,新數據來自於斯坦福大學的3D掃描數據庫,網址爲;http://

原创 reduce_mem_usage函數,減少數據的內存

最近在做kaggle比賽的時候看到有一個函數reduce_mem_usage,可以對數據進行壓縮,從而減少內存消耗,因此記錄一下: def reduce_mem_usage(df, verbose=True): numerics

原创 使用深度學習進行點雲匹配(五)

本文承接前一篇:使用深度學習進行點雲匹配四,今天要研究的是關於TDF的具體含義和如何訓練3D match描述子的方法。之前提到了使用3D match進行遷移學習的代碼,但是那個相當於利用已經訓練好的權重只進行了一次前向傳播,得出512維的

原创 使用深度學習進行點雲匹配(三)

接上一篇,接下來我們要研究的是如何訓練出點雲中3DMatch描述子。這裏我們要引入一個深度學習框架:Marvin,正如我們耳詳能熟的keras,pytorch,tensorflow等深度學習框架一樣,Marvin也是一個深度學習框架,那麼

原创 泰坦尼克號比賽預測5:能上0.83的代碼

今天找到了一份可以上0.83的代碼,真是令人震驚,作者只是用了knn的單模型就做到了這個成績。其中他構建了一個很新奇的特徵:家庭中是否有人存活,我不知道是不是這個意思。最後也沒有交叉驗證,甚至劃分出驗證集,只是使用了網格搜索,當然,這並不

原创 泰坦尼克號比賽預測四:使用keras基於深度學習預測

找到了一篇基於深度學習進行泰坦尼克比賽預測的代碼。寫得非常好,我做了一點點修改,準確了準確率在0.794 代碼是基於keras寫的,以後再做此類問題時可以模仿着進行遷移。原文鏈接: https://www.kaggle.com/rafae

原创 kaggle房價預測代碼一:很好的stacking模版

今天開始做kaggle的房價預測比賽,這是一個迴歸問題的比賽,我找到了一份非常好的代碼。 原文鏈接:https://www.kaggle.com/serigne/stacked-regressions-top-4-on-leaderboa

原创 使用深度學習進行點雲匹配(一)

前言:使用深度學習進行點雲匹配研究是我的畢設題目。因爲之前只學習過深度學習在2D CV上的一些知識,對於三維點雲這種東西根本沒有聽說過,因此也是感覺頭大。好在老師給了我一篇paper,讓我先去研究裏面的方法,這篇論文是CVPR2017年的

原创 泰坦尼克號比賽大神級分析

最近在學習如何打數據挖掘比賽,感覺以前自己根本沒有分析的去做比賽,因此我在重溫之前的一些比賽,想看一下大神的思路是怎樣的,今天這個比賽就是kaggle的入門比賽:泰坦尼克號比賽。雖然是入門的,但是有太多的大神對這份數據提出了自己的見解,今

原创 使用深度學習進行點雲匹配(二)

本文承接上一篇《使用深度學習進行點雲匹配(一)》。 在上一篇研究了Demo代碼如何實現根據3Dmatch描述子實現點雲配對以後,接下來的問題就是如何訓練出3Dmatch描述子。在此之前,作者先將數據轉換爲了TDF體素網絡,今天便來解析這部